Download Redalyc.Control Inteligente

Inteligencia Artificial. Revista Iberoamericana
de Inteligencia Artificial
ISSN: 1137-3601
[email protected]
Asociación Española para la Inteligencia
Artificial
España
Galán, Ramón; Jiménez, Agustín; Sanz, Ricardo; Matía, Fernando
Control Inteligente
Inteligencia Artificial. Revista Iberoamericana de Inteligencia Artificial, vol. 4, núm. 10, verano, 2000,
pp. 43-48
Asociación Española para la Inteligencia Artificial
Valencia, España
Disponible en: http://www.redalyc.org/articulo.oa?id=92541004
Cómo citar el artículo
Número completo
Más información del artículo
Página de la revista en redalyc.org
Sistema de Información Científica
Red de Revistas Científicas de América Latina, el Caribe, España y Portugal
Proyecto académico sin fines de lucro, desarrollado bajo la iniciativa de acceso abierto
Control Inteligente
Ramón Galán, Agustín Jiménez, Ricardo Sanz, Fernando Matía
Centr Departamento de Automática, Ingeniería Electrónica e Informática Industrial
Universidad Politécnica de Madrid
C/ José Gutiérrez Abascal, 2. 28006 Madrid
e-mail: [email protected]
Resumen
En este artículo se introduce el Control Inteligente y las técnicas de inteligencia artificial que se usan en el
diseño de sistemas de control complejos, que por su dificultad son inabordables por técnicas clásicas. También
se presentan algunos de los proyectos que la División de Ingeniería de Sistemas y Automática de la
Universidad Politécnica de Madrid ha desarrollado en el área del Control Inteligente de Procesos.
Palabras clave: Control Inteligente, Inteligencia Artificial, Sistemas Expertos, Redes Neuronales, Lógica
Borrosa, Algoritmos Genéticos.
1. Introducción
El control inteligente comprende una serie de
técnicas - tomadas fundamentalmente de la
inteligencia artificial- con las que se pretenden
resolver problemas de control inabordables por los
métodos clásicos [Sanz 90b].
Cuando observamos en detalle la lista de actividades
de un sistema de control vemos claramente dos tipos
diferenciados. Por una parte actividades que
conducen a la modificación del mundo, y por otra
actividades de procesamiento de información con un
cierto grado de abstracción. Estos dos tipos de
actividades son en cierta medida calificables como
conductivas y cognoscitivas [Galán 921.
El control clásico consta esencialmente de
tratamiento de información en un nivel numérico y
actuación sobre el mundo, no apareciendo en él
actividades cognoscitivas de alto nivel de
abstracción. Es por ello que en muchos casos se
debe añadir a este tipo de controles la supervisión de
un ser humano. El término Control Inteligente se
utiliza para hacer referencia a un control en el que
las actividades cognoscitivas tienen especial
importancia. Dentro de este tipo de problemas son
de especial importancia los derivados de los
comportamientos impredecibles - como los
ocasionados por malfunciones - de los sistemas a
controlar.
2. Historia
En el origen de los trabajos en control inteligente
cabe destacar la figura de K.S. Fu por sus trabajos
con "recognition in the loop" [Fu 71], descritos y
comentados por Meystel [Meystel 85].
Luego, a mediados de los años 80, se produce el
desarrollo teórico por parte de grupos de trabajo
universitarios que plantean el fundamento teórico de
este tipo de sistemas desde la perspectiva de la
inteligencia artificial, el control y la interacción de
sistemas jerárquicos [Saridis 85], [Tzafestas 89],
[Meystel 85], [Astrijin 86]. Se desarrollan las
primeras aplicaciones de sistemas expertos reales:
alternativa al control adaptativo, predictivo u otros
del control experto que utiliza incertidumbre.
S Sistemas de 1ª Generación [Shirley 87], [Bernard
Los reguladores borrosos tratan de implantar
estrategias de control expresadas en términos
lingüísticos por los operadores de proceso, para ello
se basan en técnicas de lógica borrosa [Mamdani
81].
88], en los que se logra implantar conocimiento
de control, tomado de operadores expertos, en
forma de reglas.
S Sistemas de 2ª Generación [Intellicorp 86],
[Brajnik 90], basados en modelos de los
procesos que manejan.
En esta época, también, aparecen las primeras
herramientas especificas IGensyin 89] que permiten
el desarrollo eficaz de sistemas inteligentes de
control.
Pero ha sido en la década de los 90 cuando el
Control Inteligente ha alcanzado su desarrollo. Los
centros de investigación, libros, conferencias,
congresos y reuniones científicas dedicados al tema
son muy numerosos. Mención especial merecen los
proyectos
internacionales
de
investigación
financiados por entidades europeas o americanas,
que han realizado una importante labor de desarrollo
de técnicas y de transferencia de tecnología dando
lugar a muchas aplicaciones industriales. [Yoss 88],
[Cavanna 89], [Sanz 96].
El Control Inteligente es el resultado de la
intersección del Control Automático, la Inteligencia
Artificial y los sistemas informáticos distribuidos de
tiempo real.
3. Técnicas Básicas
Entre las técnicas de Inteligencia Artificial usadas
en Control Inteligente destacan:
3.1 Sistemas Expertos
Basados en el uso de las técnicas y herramientas de
diseño de sistemas expertos de Inteligencia
Artificial. [Alamán 92]
En este tipo de sistemas la base de conocimientos de
control se obtiene de un experto humano: el
operador del proceso a controlar. En ella se recoge
esencialmente dos tipos de información: reglas
referentes a la interpretación del estado del proceso
y reglas para la determinación de las actuaciones.
Para aumentar la eficiencia las reglas se clasifican
en grupos o metareglas.
3.2 Lógica Borrosa
Se trata de un control basado en reglas que utiliza
técnicas para manejar la imprecisión. Cabría separar
el estudio de los controladores borrosos como
La lógica borrosa ha alcanzado un notable
desarrollo tanto en el estudio formal [Matía 92]
como en el de aplicaciones y herramientas para
diseño disponibles.
3.3 Redes Neuronales
Una red neuronal es, siguiendo a Hecht-Nielsen
[Hecht-Nielsen
88],
"una
estructura
de
procesamiento de información paralela y distribuida,
formada por elementos de procesamiento
interconectados mediante canales unidireccionales
de información. Cada elemento de procesamiento
tiene una conexión de salida con diferentes ramas
portadoras de la misma señal. Esta señal de salida
será de un tipo matemático cualquiera. Todo el
procesamiento que se hace en un elemento debe ser
completamente local, por ejemplo: dependerá solo
de los valores actuales de las entradas al elemento y
de posibles valores almacenados en memoria local.
Las redes neuronales en control se utilizan por su
capacidad de aprender el comportamiento no lineal
de las variables de un proceso. Esta capacidad se
puede utilizar para el diseño de sistemas que
funcionen como simulador, identificador o
controlador.
3.4 Algoritmos Genéticos
Los algoritmos genéticos se están utilizando en
control, entre otras aplicaciones, para depurar de
forma automática las reglas que forman la base de
conocimiento. Ésta se equipara a un conjunto de
organismos vivos, capaces de evolucionar para
adaptarse mejor al entorno. Esta adaptación se
medirá a partir de la tasa de fallos y aciertos de los
individuos [Holland 89], [Goldberg 89].
Al igual que en la evolución de las especies, cuando
se produce una variación del entorno, sólo los que se
adaptan a esa variación sobreviven, mientras que los
que no pueden adaptarse son eliminados. A lo largo
del tiempo van naciendo nuevos individuos que
pasan a formar parte de la comunidad, con
características genéticas que les hacen parecerse a
sus padres, y permiten que la especie se mantenga.
En algunas ocasiones se producen mutaciones que
dan lugar a individuos mejor o peor adaptados.
Los algoritmos genéticos toman reglas buenas para
crear nuevos individuos similares a ellas, que
permitan al sistema de inferencia obtener mejores
resultados [Fogel 66], [Velasco 91], [Grefenstette
89].
Pero el desarrollo del Control Inteligente como
sistema informático de tiempo real complejo
necesita de herramientas que permitan la
colaboración a un fin común de técnicas muy
diversas, entre otras:
S Técnicas de integración de sistemas heterogéneos
S Desarrollo de Arquitecturas Software
S Desarrollo de estándares para la normalización de
las internases de programas (IDL)
El diseño y la propuesta de estándares para facilitar
el diseño de estas aplicaciones es un área de
investigación en pleno auge
Esta actividad se desarrolla en forma de proyectos
de investigación propios o proyectos de
investigación y desarrollo con empresas del sector.
Entre los proyectos más recientes están:
SINCRO: sistema inteligente de control del
proceso cerámico mediante el uso de metodología
AMFE (1995-96)
Desarrollado para la Empresa Nacional del Uranio
(ENUSA). Su objetivo fue el desarrollo de una
herramienta para el Análisis Modal de Fallos y
Efectos, para el control de un proceso de fabricación
de barras de combustible en reactores nucleares.
La técnica AMFE consiste en el Análisis Modal de
Fallos y Efectos Potenciales. Los AMFEs
identifican las acciones correctoras necesarias para
evitar fallos (de proceso o de diseño) y evitar que
estos lleguen al cliente. También pueden
interpretarse como una representación del proceso
de fabricación.
4. UPM-DISAM
El Departamento de Automática, Ingeniería
Electrónica e Informática Industrial de la
Universidad Politécnica de Madrid mantiene una
línea de investigación en Control Inteligente de
Procesos desde 1992, que se centra en el desarrollo
y aplicación de tecnologías avanzadas de control en
el campo del control de procesos industriales
continuos.
En particular el mayor esfuerzo se dedica a la
integración de técnicas de inteligencia artificial con
aplicaciones de control convencionales. El objetivo
final que se pretende conseguir es el uso de
representaciones avanzadas de conocimiento sobre
los sistemas a controlar - modelos - capaces de dar
soporte a toda la gama de aplicaciones que se
emplean en un sistema de control de procesos:
monitorización, control, diagnosis, predicción,
optimización, etc.
Algunos de los temas de investigación y desarrollo
son los siguientes:
S Control avanzado de procesos continuos
S Modelado y simulación cuantitativa y cualitativa
S Identificación de sistemas, reconciliación de datos
y optimización
S Control inteligente: sistemas expertos, control
borroso, control basado en modelos y redes
neuronales
S Arquitectura de sistemas avanzados de control
S Integración de técnicas de inteligencia artificial
en sistemas en tiempo real
Para implementarlo, se elabora una tabla que recoge
todos los posibles modos en que el proceso puede
fallar, las causas y efectos asociados, así como otra
información también necesaria. Además, cuando el
AMFE se encuentra en funcionamiento, se lleva a
cabo un seguimiento de cada acción correctora
tomada y del responsable de la misma (operador o
ingeniería de proceso), y se actualizan los nuevos
índices de probabilidad de ocurrencia de los fallos,
obtenidos tras las acciones correctoras tomadas. El
objetivo primordial es reducir estos índices por
debajo de una cota prefijada.
TOPKAPI: Controlador Borroso para el ELI4000 (1995-96)
Para la empresa ELIOP S.A. El objetivo fue la
implementación de un motor de inferencia borroso
para un autómata y de la herramienta gráfica
correspondiente para su configuración.
MITA: Metodología de Integración y Técnicas
Avanzadas de control Inteligente de procesos
continuos (1994-97)
Financiado por la Comisión Interministerial de
Ciencia y Tecnología. Tenía como objetivo el
desarrollo de una metodología de integración de
técnicas de control inteligente para procesos
continuos.
Los objetivos básicos fueron el desarrollo de:
S Una metodología de desarrollo de aplicaciones
integradas de control inteligente de procesos.
Esta metodología se basa en tecnología de
orientación a objetos para desarrollo de
aplicaciones multiplataforma. Basada en
CORBA la arquitectura ICa es uno de los
desarrollos más importantes.
S Aplicación de tecnologías de lógica borrosa,
redes neuronales y aprendizaje al control de
procesos continuos.
S Aplicación de demostración, basada en la
integración de sistemas expertos, controladores
borrosos, redes neuronales y mecanismos de
aprendizaje y planificación, para controlar un
proceso químico.
normalmente un día de trabajo) con los del Patrón
de Referencia para determinar el grado de
estabilidad del sistema.
EXEX: Sistema Inteligente de Control de
Extrusión (1995-98)
Diseño de un sistema de control inteligente de
producción de perfiles de PVC y ayuda a la
corrección de defectos, para la empresa VEKA
IBERICA S.A.
Control de Calidad y Estabilidad en Procesos de
Fabricación de Cemento (1994-97)
Para el grupo cementero ASLAND S.A.
Dentro del acuerdo marco, firmado entre el
Departamento y la empresa ASLAND, se han
desarrollado una serie de programas orientados al
control de calidad y análisis de estabilidad de los
procesos de fabricación de cemento. Los programas
están disponibles para las cinco fábricas que
ASLAND tiene en España.
Para el estudio de ESTABILIDAD se ha
desarrollado el programa CDM (Cuadro de Mando).
El objetivo perseguido fue disponer de una
herramienta de análisis estadístico sobre los datos
que provienen diariamente de las plantas de
elaboración de clinker para determinar el grado de
estabilidad de las mismas.
El programa parte de un conjunto de valores
promedio de variables de la planta y a estos se les
aplican diferentes procesamientos que se detallan a
continuación.
Reglas de discriminación de datos: Evitan que datos
que no corresponden a producción o no son válidos
formen parte del análisis
Resultados Estadísticos: Después del filtrado se
pueden elaborar informes con cálculos de resultados
como máximo, mínimo, media, desviación, etc. Los
datos son exportables a otros programas como hojas
de cálculo para poder hacer uso de los resultados.
Análisis de Estabilidad: Con los resultados
estadísticos obtenidos se elaboran distintas
operaciones encaminadas a obtener la estabilidad de
la planta. En una primera etapa se define un Patrón
de Referencia, que puede ser establecido y afinado
con ayuda de la herramienta, y en una segunda etapa
se comparan los datos estadísticos de un periodo
(base en la elaboración del patrón y que será
Figura 1. Planta de Extrusión de PVC, VEKA
(BURGOS)
Las funciones fundamentales del sistema son dos:
Sistema Experto Asesor de defectos, para ser
consultado por los operadores de planta cuando
aparecen defectos en los perfiles. El conocimiento
está agrupado por líneas de producción y por
perfiles, existiendo grupos de reglas de carácter
general, particular de una línea y particular de un
perfil
Control de la geometría del perfil. Para llevar a cabo
esta tarea se ha construido un sistema experto y un
controlador borroso que cooperan en la
identificación y solución de la distribución irregular
de material en el perfil. Se ha diseñado una
arquitectura software distribuida que permite la
integración de diferentes técnicas de control así
como interfaces adecuadas a cada tipo de usuario y
al proceso.
El sistema está instalado en la fábrica de VEKA
IBÉRICA S.A. en Burgos. Recientemente se ha
diseñado una versión multi-lingüe para ser usada
por las diferentes fábricas del grupo VEKA.
HYDRA-Visión (1996-98)
Desarrollado para Unión Fenosa Ingeniería S.A.
Sistema de Supervisión y Vigilancia que permite
desatender las Centrales Hidráulicas de Unión
Fenosa.
DIXIT: Distributed Information Technology for
Strategie Multiobjective
Process
control.
ESPRIT 22130. (1996-98)
Desarrollo de tecnología e infraestructura para
construcción de sistemas de control estratégico
multiobjetivo en entornos de cómputo distribuido y
heterogéneo.
Este proyecto esté orientado al control multiobjetivo
de procesos complejos, en los que la estructura de la
mayoría de los sistemas de control distribuido es
una estructura jerárquica multicapa donde la
abstracción y la complejidad de los mecanismos de
control se incrementa en las capas superiores.
DIXIT trata problemas y situaciones de las capas de
control inteligente, operacional, táctica y estratégica.
En particular está enfocado en el nivel estratégico,
especialmente en aspectos de medio ambiente,
seguridad y mantenimiento considerándolos
conjuntamente con otros objetivos globales de la
planta, como producción, calidad, etc. Todos estos
objetivos constituyen un conjunto de restricciones
donde prioridades y pesos deben ser asignados
dependiendo de la situación.
Figura 2. Pantalla Principal del Sistema
HYDRA-VISION
El objetivo del proyecto HYDRA-Visión se
enmarca dentro del proyecto HYDRA de Unión
Fenosa que consiste en la implantación de un
sistema multidisciplinar orientado al telecontrol y la
televigilancia de centrales hidráulicas. HYDRAVisión se centra en la parte de televigilancia y
asistencia al sistema de alarmas de HYDRA. La
finalidad del telecontrol se centra en disponer de un
servicio más adecuado de las centrales desatendidas
dotándolas de realimentación con información
audiovisual. Con ello se consiguen varias ventajas
como minimizar el personal en las centrales y
disponer de personal altamente cualificado,
localizado en los centros de control, que pueda
atender a la resolución de problemas en varias
centrales sin necesidad de desplazarse hasta las
mismas. HYDRA-Visión se integra además con los
sistemas de control para atender a ciertas demandas
de información audiovisual asociadas a alarmas.
El sistema permite disponer de la información
audiovisual en tiempo real y que la comunicación
desde los puestos de control con las centrales sea
bidireccional, tanto en la parte de audio como en la
de vídeo.
Desde el punto de vista del usuario, una aplicación
DIXIT ayuda al personal de la planta a la toma de
decisiones y actuación en caso de emergencia de
forma rápida e inequívoca, incrementando la
seguridad en la planta. Adicionalmente facilita el
acceso y la integración de gran cantidad de
información y datos complejos. Finalmente la
prevención de emergencias es también un
importante beneficio de una aplicación DIXIT.
Desde el punto de vista técnico, el producto final
DIXIT se compone de diferentes módulos software:
componente de interfase de usuario, componentes
para la resolución de problemas y componentes de
arquitectura. Los módulos para la resolución de
problemas realizan tareas como detección de fallos,
diagnosis,
monitorización,
creación
y
recomendación de tácticas, validación de sensores,
predicción, tratamiento de alarmas y emergencias,
prevención, optimización, etc. Las tecnologías
utilizadas son sistemas basados en reglas, redes
neuronales, lógica borrosa, técnicas de optimización
etc. Con el fin de dar soporte a los otros módulos y a
las características de distribución, los componentes
de arquitectura de DIXIT combinan el paradigma de
pizarra (ya probado con éxito en aplicaciones
inteligentes) con otros paradigmas relacionados con
la distribución, como la arquitectura de agentes.
Se han desarrollado dos aplicaciones de
demostración, una de gestión de riesgos y
emergencias para Repsol Química y otra de
estimación on-line de calidad y coste para Lafarge
Ciments.
PROQUS: Advanced Model Based Process and
Quality Supervision in Steel Production. INCODC 962074. (1998-2000)
Desarrollo de tecnologías de control inteligente
basado en modelos en la industria de procesos
continuos, con especial atención a la producción de
acero.
En este proyecto, actualmente en marcha, UPMDISAM pretende adaptar la arquitectura ICa para su
uso en Tiempo Real y para el diseño de sistemas
tolerantes a fallos. Estos nuevos tipos de agentes
serán probados en la supervisión de un tren de
laminado de acero en Argentina.
5. Bibliografía
Las referencias aquí incluidas pueden servir como
introducción al Control Inteligente.
[Alamán 92] Alamán X., Introducción a la I.A. para
la asistencia al control en Tiempo Real. En el libro
“La Inteligencia Artificial y el control en Tiempo
Real, Ed. Repsol Colección Ensayo, 1992.
[Aström 86] Aström K.J., Anton J.J., Arzen K.E.
Expert Control. Automática Vol. 22, pp. 277-286,
1986
[Bernard 88] Bernard J.A. Use of a Rule-Based
System for Process Control. IEEE Control Systems
Magazine, Octubre 1988
[Brajnik 90] Brajnik E.J. Epistemology, Organization
and Use of Functional Knowledge for reasoning
about physical systems. Proc. 10th International
Workshop on Expert Systems and Their
Applications, 1990
[Cavanna 89] Cavanna A., Chautard J.C., Honorat
C., Levin M. And Klause B., QUIC Toolkit
Demonstrator Applications. CIM Europe, 1989
[Fogel 66] Gogel L.J., Owens A.L., Walsh M.J.,
Artificial
Intelligence
Through
Simulated
Evolution. John Wiley and Sons, Inc. New York,
1966.
[Fu 71] Fu, K.S. Learning control systems and
Intelligent Control Systems: An intersection of
Artificial Intelligence and Asutomatic Control. IEE
Transactions on Automatic Control, Vol. 16. Nº 1,
1971
[Galán 92] Galán, R. La Inteligencia Artificial desde
la perspectiva del Control Automático. En el libro
“La Inteligencia Artificial y el control en Tiempo
Real, Ed. Repsol Colección Ensayo, 1992.
[Goldberg 89] Goldberg, D.E., Genetics Algorithms
in Search, Optimization and Machine Learning.
Addison-Wesley. Mass. 1989.
[Grefenstette 89] Grefenstette, J.J. A system for
learning control strategies with Genetic
Algoritms”. Proc. Of the Third International
Conference on Genetic Algorithms. San Mateo
CA. 1989.
[Hecht-Nielsen 88] Hecht-Nielsen, Applications of
counter propagation networks” Neural Networks,
1 pp. 131-140, 1988.
[Holland 89] Holland, J.H., Holyyoak, K.J., Nisbet
R.E., Thagard R.P., INDUCTION. Processes of
Inference, Learning and Discovery. MIT Press,
Mass. 1989.
[Intellicorp 86] Model Based Reasoning in the KEE
and SimKit Systems. Intellinews, Vol. 2, N02
Agosto 1987
[Mamdani 81] Mamdani H.H., Gaines E.R. (Eds)
Fuzzy Reasoning and its Applications. Academic
Press, 1981.
[Matía 92] Matía F., Jiménez A., Galán R., Sanz R.,
Fuzzy Controllers: Lifting the linear – nonlinear
frontier. Fuzzy Sets and Systems. Vol. 52, Nº 2
Dec. 1992.
[Meystel 85] Meystel A. Intelligent Control: Issues
and Perspectives. IEEE Workshop on Intelligent
Control, 1985
Arquitectura de Control
[Sanz 90] Sanz, R.
Inteligente de Procesos. Tesis Doctoral. Depto. De
Automática, Ing. Electrónieca e Informática
Industrial, 1990.
[Sanz 96] Sanz R., Matía F., Jiménez A., Galán R.,
Antonio A. y Segarra M. Heterogeneous software
integration for Intelligent Process Control: The
Hint Project. Control of Complex Systems
Workshop. Valencia 1996.
[Saridis 85] Saridis, G.N., Valavanis, K.P.
Foundations of the theory of Intelligent Controls.
IEEE Workshop on Intelligent Control, 1985
[Shirley 87] Shirley, R.T. Some lessons learned using
Expert Systems for Process Control. IEEE Control
Systems Magazine. Diciembre 1987
[Tzafestas 89] Tzafestas, S, Ligeza A. A Framework
for knowledge based control. Journal of Intelligent
and Robotic Systems. Vol. 1, Nº 4, pp 407-426,
1989
[Velasco 91] Velasco J.R. Arquitectura para Control
Inteligente de una Central Térmica mediante
Algoritmos
Genéticos.
Informe
Técnico
UPM/DIT/LIA 10/91. Marzo 1991
[Voss 88] Voss H., Architectural Issues for Expert
Systems in Real Time Control. IFAC Workshop on
AI in Real Time Control, 1988.